Java XML解析：避免实体引用解析

Question

我目前正在使用DOM解析器来解析XHTML文档，例如：

final DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
dbf.setValidating(false);

final DocumentBuilder db = dbf.newDocumentBuilder();
db.setEntityResolver(MY_ENTITY_RESOLVER);
db.setErrorHandler(MY_ERROR_HANDLER);
...
final Document doc = db.parse(inputSource);

我的问题是，当我的文档包含一个实体引用时，例如：

<p>&euro;</p>

我的解析器为包含“€”而不是“＆euro;”的内容创建了一个Text节点。这就是说，它正在按预期的方式解析实体（XHTML 1.0 Strict
DTD链接到ENTITIES Latin1 DTD，这反过来确定了“＆euro;”与“€”的对等）。

问题是，我不希望解析器执行此类操作。 我想保留“＆euro;” 文字未修改。

我已经尝试过：

final DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
dbf.setExpandEntityReferences(false);

但：

1. 我不喜欢这样做，因为我担心这会使某些解析器实现无法从XHTML 1.0 Strict DTD 导航 到ENTITIES Latin1 DTD，因此不考虑“＆euro;”。作为已 声明的 实体。

2. 当我这样做时，它会奇怪地创建两个节点：一个“磅”实体节点和一个在其后带有“€”符号的文本节点。

有任何想法吗？ 是否可以在DOM分析器中配置它而不用 预处理 XHTML并用所有“＆”符号代替其他东西？

解决方案可以是DOM解析器，也可以是SAX解析器，我不介意使用SAX解析，然后使用转换来创建DOM。

另外，我不能切换到非标准的XML解析libray。没有jdom，没有jsoup，没有HtmlCleaner等。

非常感谢。

Answer 1

我采用的方法是用一个唯一的标记替换任何实体，Xerces将其视为纯文本。转换为Document对象后，标记将替换为Entity Reference对象。

请参阅http://sourceforge.net/p/commonclasses/code/14/tree/trunk/src/com/redhat/ecs/commonutils/XMLUtilities.java中的convertStringToDocument（）函数。